A tapasztalat és a technológia találkozása: a Weinheimben található Simmerring®-gyártás a mesterséges intelligenciával kapcsolatos kutatási projekt helyszíne.
Kompakt
A Weinheimben működő Simmerring®-gyártáson egy kutatási projektet hajtanak végre az ipari folyamatok mesterséges intelligencia (AI) segítségével történő javítására.
A projekt célja, hogy a mesterséges intelligencia segítségével megjósolja a fröccsöntött elasztomer alkatrészek minőségi tulajdonságait és optimalizálja a gyártási folyamatokat. A hangsúly a hulladék csökkentésén és a hatékonyság növelésén van.
A hagyományos AI-megközelítésekhez nagy mennyiségű adatra van szükség. Az itt alkalmazott módszer azonban a fizikai összefüggéseket és a kollégák szakértelmét is figyelembe veszi, hogy csökkentse a szükséges képzési adatokat és a fejlesztési időt.
A kutatást több géptípusra és cikkre is kiterjesztették annak érdekében, hogy az ismereteket minél több cikkre át lehessen ültetni, ugyanakkor a termékminőséget is biztosítani lehessen.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich évek óta foglalkozik azzal, hogyan lehet az ipari folyamatokat a mesterséges intelligencia (AI) segítségével javítani. A Német Gumiipari Technológiai Intézet doktoranduszaként a Freudenberg Technology Innovation (FTI) vállalati funkcióban dolgozik. Disszertációjának részeként rengeteg kísérletet végzett a műszaki központban. „A célom az volt, hogy az eredményeimet átültessem a Freudenberg konkrét termékeire. A folyamatok alapos megértéséhez különösen fontos volt számomra, hogy a helyszínen legyek. Részletesen meg akartam ismerni a gyártási folyamatot, és szoros párbeszédre törekedtem a tapasztalt kollégákkal, akik nap mint nap dolgoznak a rendszereken, és alapos gyakorlati ismeretekkel rendelkeznek.” Így írja le az okokat, amiért körülbelül egy évvel ezelőtt ideiglenesen a Weinheimben található Simmerring® gyártóüzembe helyezte át a központját.
Sarang Etemadi, a Weinheimben működő Dynamic Sealing divízió műveleti vezetője támogatta ezt a projektet. „Nem azért csináljuk ezt, mert a mesterséges intelligencia a divatos szó mindenki ajkán, hanem mert hiszünk abban, hogy a mesterséges intelligencia gazdasági potenciállal rendelkezik. Az AI-nek segítenie kell az embereinket a termelésben. Ezt szem előtt tartva örömmel kínáltunk Alexander Olbrichnak innovációs platformot az AI kutatási projektje keretében. Ez egy mindkét fél számára előnyös helyzet, amely segít abban, hogy még jobban uraljuk folyamataink sokszínűségét és összetettségét” – számol be.
Tulajdonságok előrejelzése, folyamatok optimalizálása
Hogyan lehet a fröccsöntött elasztomer alkatrészek minőségi tulajdonságait előre jelezni a mesterséges intelligencia segítségével? És hogyan optimalizálható a gyártási folyamat az AI modellek alapján? Az Olbrich számára két téma állt a középpontban: először is a hulladék csökkentése, másodszor pedig a hatékonyság növelése a ciklusidő optimalizálásával.
A „viszkozitási zavarok” kifejezést használja a selejt problémájának leírására. Az egyes keverési tételek kis ingadozásai és a változó környezeti feltételek is befolyásolják az anyag áramlási viselkedését a fröccsöntés során. Ez a szerszámüregek alul- vagy túltöltéséhez vezethet. Az eredmény: selejt. Az ilyen anyaghulladék növeli a gyártási költségeket.
Más típusú selejtek viszont közvetlenül a hatékonyságot korlátozó folyamatváltozókhoz kapcsolódnak. Például az alulhurkolt alkatrészek buborékokat vagy sprue-hibákat tartalmazhatnak. Ez a célértékek összetett konfliktusát eredményezi az elérhető ciklusidők és a selejtarányok között. Az ebből eredő optimális működési pont viszont a tételek és a környezeti ingadozások miatt eltolódhat.
„Az ötlet lényege, hogy kiszámítjuk ezeknek az ingadozásoknak a hatását, és ennek alapján meghatározzuk az optimális vulkanizálási és ciklusidőt az optimális hőmérsékleten” – magyarázza. A penészesedés is okozhat felesleges gyártási hulladékot – Olbrich ezért ezt is figyelembe vette kutatásai során.
Balról jobbra: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Ismeretek átadása
A hagyományos AI-megközelítések nagy mennyiségű, értelmes adatot igényelnek ahhoz, hogy a gépi tanulás segítségével felépítsék megoldási szakértelmüket. Ez a kiinduló helyzet a gyártási környezetben általában nem áll fenn, mivel a különböző gyártóktól származó termékváltozatok és különböző korú gépek nagy száma miatt. A folyamat modellezése során a megoldás erre a problémára a fizikai összefüggések és a helyszínen dolgozó szakemberek szakértelmének figyelembevétele.
Ez határozta meg Olbrich megközelítését: Teszttervek futtatása, adatok olvasása és kiértékelése, majd előrejelző képességű gépi tanulási modellek fejlesztése, végül pedig a hibákat kijavító és a folyamatot optimalizáló vezérlő algoritmusok végrehajtása. „A beállítók tapasztalatainak és a folyamatmérnöki kollégáink szakértelmének beépítése kulcsfontosságú volt a szükséges képzési adatok és a kapcsolódó fejlesztési idők drasztikus csökkentéséhez” – mondja Olbrich. Ami kezdetben egy gépen, egy cikkel kezdődött, később a Weinheim Simmerring gyártásának több géptípusára és cikkére is kiterjesztette. „Tekintettel a telephely változatainak széles skálájára, a cél az, hogy a tudást minél több cikkre átvigyük” – magyarázza.
Mivel a termékminőség nem szenvedhet csorbát a hatékonyság növelése miatt, a próbapadi tesztek megmutatják, hogy a kívánt tulajdonságok a folyamat módosítását követően is megmaradnak-e. Olbrich hangsúlyozza: „A végtermékek minősége a legfontosabb. A jövőbeni használhatóság biztosítása érdekében fontos, hogy a termékfejlesztésben dolgozó kollégákat szorosan bevonjuk, hogy kritikusan teszteljük az optimalizált tételek funkcionalitását.”
Olbrich kutatásai azon az elképzelésen alapulnak, hogy a gépek a mesterséges intelligencia segítségével felismerik, ha probléma merül fel, és azonnal lépéseket kezdeményeznek a folyamat optimalizálására. Alternatív megoldásként a mesterséges intelligencia a folyamatok kiigazítására vonatkozó javaslatokkal támogatja a dolgozókat. Mind ő, mind Etemadi egy dolgot világossá tesz: az AI egy segédeszköz, nem csodaszer. Etemadi szerint: „Az AI átláthatóságot teremthet, láthatóvá teheti a hibákat és ingadozásokat, amelyeket egyébként szinte lehetetlen lenne felismerni. De az embereink továbbra is rendkívül fontosak maradnak a szaktudásukkal és tapasztalatukkal”. Hozzáteszi: „Folyamataink rengeteg adatot generálnak. Ezeket elemezni kell. A Manufacturing Execution System (MES) rendszerünkkel kombinálva a mesterséges intelligencia jelentősen támogathatja ezt az értékelést, hogy optimalizáljuk folyamatainkat. Alexander Olbrich kutatómunkája bizonyítja, hogy ez működik”.
Közös innováció – Kufsteinnel is
Olbrich doktori disszertációja során a kufsteini Lead Centre Integrated Molded Components üzembe is eljutott. „Kufsteinben a középpontban a selejt csökkentése és a ciklusidő optimalizálása állt a mágnesszelepekhez való billenőkarok gyártása során. Az osztrák kollégák lenyűgöző technológiai színvonalat képviselnek, és a legjobb kiindulási feltételeket tudták biztosítani a munkámhoz” – magyarázza. A két felhasználási eset hasonlósága számos pozitív szinergiát tesz lehetővé a telephelyek között. A Special Sealing Products Division digitalizációs szakértőivel való közös együttműködésnek köszönhetően a kifejlesztett megoldásokat át lehetett ültetni az első demonstrációs alkalmazásokba. Olbrich munkája kezdeményezte a két vezető központ közötti eszmecserét is: a szabványok és a szükséges keretfeltételek megtalálása az FST-n belül skálázható, azaz széles körben alkalmazható mesterséges intelligencia alkalmazásához. „Ez az Együtt innoválunk” – foglalja össze Etemadi.
Freudenbergnél ez az FST-n túl is működik. „Az olaszországi Freudenberg Home and Cleaning Solutions céggel közös projektünkben a Weinheimben és Kufsteinben az FST-vel kifejlesztett megoldásokat – módosított formában – át tudtuk ültetni a hőre lágyuló műanyagok fröccsöntésére, és átvittük egy kísérleti folyamatba” – számol be Olbrich. A következő állomás számára egy külföldi tartózkodás a Freudenberg Medicalnál az Egyesült Államokban. És valamikor „közben” meg kell írnia a projektjeit és eredményeit doktori értekezésként – természetesen mesterséges intelligencia támogatása nélkül.
